基于关系图卷积网络的代码搜索方法

代码搜索是当下自然语言处理和软件工程交叉领域的一个重要分支.开发高效的代码搜索算法能够显著提高代码重用的能力,从而有效提高软件开发人员的工作效率.代码搜索任务是以描述代码片段功能的自然语言作为输入,在海量代码库中搜索得到相关代码片段的过程.基于序列模型的代码搜索方法DeepCS虽然取得了很好的效果,但这种方法不能捕捉代码的深层语义.基于图嵌入的代码搜索方法GraphSearchNet能缓解这个问题,但没有对代码与文本进行细粒度匹配,也忽视了代码图和文本图的全局关系.为了解决以上局限性,提出基于关系图卷积网络的代码搜索方法,对构建的文本图和代码图编码,从节点层面对文本查询和代码片段进行细粒度匹配,并应用神经张量网络捕捉它们的全局关系.在两个公开数据集上的实验结果表明,所提方法比先进的基线模型DeepCS和GraphSearchNet搜索精度更高.

基于球形仿生眼的并联机器人刀具匹配方法

为了解决并联机器人＂盲＂的工作状态,构建了球形仿生眼监测平台.基于球形仿生眼监测平台给出一种并联机器人加工刀具匹配方法：通过图像预处理,获得刀具图像的边缘信息,并将边缘线拐点作为特征点;根据极线约束原理,对特征点进行粗粒度匹配,获取准同名点;提取以准同名点为中心的短边缘线段并对其进行区域校正,通过细粒度匹配,对同名点进行准确定位.采用该方法对并联机器人加工刀具实现了特征点的匹配.实验表明：图像匹配的速度和精度有了较大提高,刀具加工点的三维重建比较精确.

改进的基于元学习的小样本目标检测法在废品识别分类中的应用研究

针对传统R-CNN泛化能力弱等问题,首先对传统的R-CNN算法进行改进,运用元学习的方法,将从数据丰富的基类中学习到的元知识转移到数据稀缺的新类中。对粗粒度原型匹配网络进行改进,它使用基于度量学习的非线性分类器而不是传统的线性目标分类器来处理查询图像中锚和新类之间的相似度,从而提高了小样本新类候选框的召回率。对细粒度原型匹配网络进行改进,添加了一个带有空间特征区域匹配和前景关注模块来处理噪声候选框和小样本新类的相似度,以解决候选框特征和类原型之间的空间区域不匹配,从而提高整体检测精度。然后设计了一个小样本分类器,将softmax分类器和设计的小样本分类器放在一起考虑,利用这两种检测器的优势,通过使用小样本检测器的来共享特征主干网络,联合学习一个Faster R-CNN检测头。而不是像以前的方法那样只使用softmax分类器。做到了在保持原有检测精度的基础上,扩大了检测范围。